Deskriptiv statistik - Nedskrivning av goodwill: Reella företagsekonomiska omständigheter, som

5. Empiri

5.1 Deskriptiv statistik

I följande avsnitt presentras en sammanställning över de variabler som använts för att testa samtliga hypoteser för åren 2006-2013 samt en redogörelse för andra finansiella nyckeltal som är relevanta för studiens syften och problemformulering. Inledningsvis diskuteras jämförande deskriptiv statistik mellan; (1) de observationer som redovisat nedskrivning av goodwill under urvalsperioden 2006-2013 (n = 157) samt (2) de observationer som inte redovisat goodwill under urvalsperioden 2006-2013 (n = 1103).

Tabell 3 – Förklarande variabler för observationer med nedskrivning (n = 157) Förklarande

variabler N Minimum Q1 Medelvärde Median Q3 Maximum

M/B 157 0,24 0,80 1,70 1,30 2,26 9,13

GWA 157 0,0% 6,9% 25,9% 25,9% 39,3% 67,7%

∆OMSÄTT 157 -77,5% -8,4% 0,6% 0,1% 10,5% 133,2%

ROA 157 -102,4% 0,1% 2,2% 5,3% 9,6% 35,5%

STORLEK (mkr) 157 9 480 20 056 2 438 29 539 213 607

GW (mkr) 157 0 76 4 194 407 2 676 77 207

SKULDSÄTT 157 6,3% 38,5% 49,8% 51,3% 63,3% 86,7%

STÅLB 157 -88,4% -20,9% -17,7% -11,1% -7,3% -3,5%

VINSTUT 157 2,9% 10,1% 39,3% 28,6% 50,2% 182,5%

Tabell 4 – Förklarande variabler för observationer utan nedskrivning (n = 1103) Förklarande

variabler N Minimum Q1 Medelvärde Median Q3 Maximum

M/B 1 103 0,15 0,98 2,19 1,64 2,77 10,03

GWA 1 103 0,0% 3,7% 18,4% 15,9% 29,9% 67,7%

∆OMSÄTT 1 103 -82,4% -3,3% 10,9% 5,0% 20,0% 216,1%

ROA 1 103 -102,4% 2,3% 5,4% 8,0% 13,1% 37,0%

STORLEK (mkr) 1 103 5 357 13 018 1 288 7 092 213 607

GW (mkr) 1 103 0 26 2 113 190 862 85 737

SKULDSÄTT 1 103 4,1% 37,0% 49,3% 51,0% 62,7% 96,8%

STÅLB 1 103 -83,6% -20,0% -16,7% -10,8% -7,0% -2,6%

VINSTUT 1 103 1,1% 5,6% 16,4% 9,0% 18,7% 138,4%

Som det går att utläsa från tabellerna 3 och 4 så förekommer förklaringsvariablerna och kontrollvariablerna, inkluderat med den faktiska tillgången av goodwill, i stora intervall.

Detta ger indikationer på ett urval där observationerna är tydligt differentierade från varandra i de båda jämförelsegrupperna och återger därmed en stor variation gällande

41 företagens storlek, marknadsvärde i relation till bokfört värde, lönsamhet och skuldsättning. Ett målande exempel för företagens breda intervall är gällande totala tillgångar där variationen innefattar för de både jämförelsegrupperna företag med minimum på 9 (5) miljoner SEK till maximum på 213 miljarder SEK. Att de både jämförelsegrupperna har samma maximumvärde på 213 miljarder SEK i totala tillgångar beror på effekten av windsorizing, där extremvärden har korrigerats enligt beskrivning i praktisk metod.

Hur företagen presterar ur en ekonomisk synvinkel varierar, där förändring i omsättning från år t-1 till år t i relation till totala tillgångar för jämförelsegruppen nedskrivning av goodwill (ej nedskrivning av goodwill) har ett intervall från -78 % till 133 % (-82 % till 216 %). Även i variabeln SKULDSÄTT (hur stor del av företagens totala tillångar som är finansierat med belånat kapital) uppmärksammas skillnader där intervallet löper från 6 % till 87 % för observationer med nedskrivning av goodwill samt 4 % till 97 % för observationer utan nedskrivning. Variabeln andel goodwill i relation till totala tillgångar spelar en avgörande roll för studiens huvudsyfte, att försöka utreda möjliga förklaringar till när en nedskrivning av goodwill sker i svenska börsnoterade företag, och varierar från ej redovisad goodwill till bestående av två tredjedelar av totala tillgångar för de både jämförelsegrupperna.

Som diskuterats i praktisk metod argumenterar AbuGhazaleh et al. (2011, s. 179) för att ett lägre marknadsvärde av företagets aktie i relation till redovisat värde av eget kapital ger indikationer på att ett nedskrivningsbehov av företagets tillgångar existerar. Givet denna argumentation så ger variabeln M/B, om denna är lägre än 1, en indikation på ett nedskrivningsbehov. Intervallet för M/B sträcker sig från 0,24 till 9,13 för observationer med nedskrivning och från 0,15 till 10,03 för observationer utan nedskrivning. Därmed finns det företag i de båda jämförelsegrupperna som i urvalsperioden är i behov av nedskrivning av tillgångar givet argumentationen från AbuGhazaleh et al. (2011, s.

179).

Sammantaget kan det konstateras att spridingen och variationen över företagen i de båda jämförelsegrupperna är bred vilket ger implikationer på en större möjlighet till generaliserbarhet eftersom urvalet inte endast inbegriper observationer från en och samma kategori utan består av företag med olika storlekar och från olika branscher.

För att säkerställa att skillnaden mellan jämförelsegrupperna ovan inte beror på slump i urvalet utan kan förväntas genom hela populationen signifikanstestas medelvärdet genom ett t-test enligt tabell 5 på nästkommande sida.

42 Tabell 5 – t-test förklarande variabler (n=1260)

Levenes test för

varians t df p-värde

2 tailed

Medel.

avvikelse

F Sig.

M/B Sprid. ej samma* 9,706 0,002 -3,263 1258 0,001 -0,489 GWA Sprid. ej samma* 14,794 0,000 5,305 1258 0,000 0,074

∆OMSÄTT Sprid. ej samma* 8,031 0,005 -3,496 1258 0,000 -0,103

ROA Sprid. samma** 0,056 0,813 -2,320 206 0,021 -0,032

STORLEK Sprid. ej samma* 3,737 0,053 3,829 1258 0,000 0,737 GW Sprid. ej samma* 6,943 0,009 3,950 1258 0,000 1,412 SKULDSÄTT Sprid. samma** 0,001 0,979 0,315 202 0,753 0,005 STÅLB Sprid. ej samma* 83,014 0,000 6,112 1258 0,000 0,206 VINSTUT Sprid. ej samma* 78,814 0,000 -3,622 1258 0,000 -0,135

* Sprid. ej samma: Sannolikheten för att spridningen mellan de två jämförelsegrupperna inte ska vara den samma givet Sig. < 0,05

** Sprid. samma: Sannolikheten för att spridningen mellan de två jämförelsegrupperna är den samma givet Sig. > 0,05

Ett t-test indikerar således om skillnaden mellan två jämförande grupper är signifikant.

En förutsättning för utförandet av ett t-test är att spridningen mellan de två grupperna är densamma vilket Levenes test signalerar genom Sig.-värdet. Om Sig.-värdet är lägre än 0,05 antas grupperna inte inneha samma spridning respektive om Sig.-värdet är över 0,05 antas grupperna ha samma spridning. Givet Sig.-värdet analyseras antingen Sprid.

ej samma* eller Sprid. samma** per variabel. Tabellen ovan är exkluderad från rader med data per variabel som utesluter det ena eller det andra värdet givet ett Sig.-värde över eller under 0,05.

P-värdet i tabellen testar om medelvärdesskillnaden är signifikant. Om p-värdet är lägre än 0,05 är skillnaden signifikant till 95 % säkerhet vilket ger en indikation på att det slumpmässiga urvalet speglar till 95 % säkerhet hela populationen. Som tabellen visar är det endast den förklarande variabeln SKULDSÄTT som avviker från de andra variablerna och har ett p-värde betydligt högre än 0,05 (till skillnad från resterande variabler som har ett p-värde under 0,05) vilket indikerar på låg eller obefintlig säkerhet att skuldsättningen för det slumpmässiga urvalet speglar hela populationen. Resterande variabler antas återge hela populationens värden.

För att uppfylla studiens syften och besvara studiens problemformulering är det nödvändigt att redogöra för goodwills faktiska nedskrivningskostnad och att sätta nedskrivningskostnaden i perspektiv till relevanta jämförelsetal. I tabell 3 och 4 inkluderas inte nedskrivning av goodwill och därför presenteras det i stället i följande stapeldiagram andelen nedskrivning av total redovisad goodwill samt nedskrivning av goodwill i relation till totala redovisade tillgångar (n=1260).

0,00%

0,50%

1,00%

1,50%

2,00%

2,50%

2006 2007 2008 2009 2010 2011 2012 2013 Andel nedskrivning av goodwill 0,23% 1,09% 0,89% 1,67% 1,54% 2,45% 2,24% 0,47%

Andel nedskriving av totala

tillgångar 0,03% 0,18% 0,15% 0,28% 0,28% 0,46% 0,41% 0,08%

Andel

nedskrivning av goodwill

Andel

nedskriving av totala

tillgångar

k = 0,125 medel 1,32

Figur 1 – Summan av andelen nedskrivning av goodwill i relation till summan av total goodwill och summan totala tillgångar.

Utifrån vad diagrammet ovan presenterar går det att utläsa att av samtliga observationer (n=1260) varierar andelen nedskrivning av goodwill, beräknat genom summan av samtlig nedskrivningskostnad för goodwill år t dividerat med summan av samtlig total redovisad goodwill år t, från år till år och är störst över åren 2009-2012. Intervallet sträcker sig för denna tidsperiod från 1,67 % till 2,45 % medan summan av samtlig nedskrivningskostnad för goodwill år t dividerat med summa av samtlig total redovisade tillgångar år t också är störst inom åren 2009-2012 och sträcker sig från 0,28 % till 0,46 %.

Lutningen för andelen nedskrivning av goodwill år 2006 till år 2013 är 0,125 och därmed positivt lutande vilket illustreras i diagrammet. Följaktligen ökar andelen nedskrivning av goodwill generellt sett med 0,125 procentenheter per år från 2006-2013. Medelvärdet för andelen nedskrivning av goodwill under urvalsperioden illustreras i diagrammet och uppgår till 1,32 %.

För att ge läsaren en uppfattning gällande goodwills betydelse i balansräkningen, är ett diagram gällande observationernas totala goodwill i relation till totala tillgångar och eget kapital bifogat i appendix 1.

Till skillnad från ovanstående diagram som är baserat på summan av samtlig nedskrivning av goodwill så är tabellen på nästkommande sida baserat på nedskrivningskostnad per observation i relation till goodwill och totala tillgångar för den observationen (n=157). Kvartilerna nedan är således baserat på de 157 observationer som redovisat en nedskrivning av goodwill något av åren 2006 till 2013.

44 Tabell 6 – Deskriptiv statistik nedskrivning goodwill, (n=157)

Nedskrivning

I likhet med tabell 3 och 4 så visar även tabell 6 ovan på en tydlig differentiering mellan observationerna där extremkvartilerna maximum och minimum skiljer sig i stor utsträckning från varandra i såväl nedskrivning i relation till goodwill och i relation till totala tillgångar. Intervallet gällande andel nedskrivning av goodwill varierar från 100 % till mindre än 1 % gällande maximum- och minimumvärdet under hela urvalsperioden förutom år 2006 där maximumvärdet är 41 % nedskrivning av goodwill.

Tabell 6 ovan visar även på en påtaglig skiljaktighet mellan medelvärdet och medianvärdet där den senare är ansenligt lägre än det första vilken explicerar på extremer gällande stora nedskrivningskostnader i de högre kvartilerna som ger inverkan på medelvärdet. Som fastställts i praktisk metod har datamaterialet justerats för extrema värden genom windsorizing, men likväl har dessa värden påverkat medelvärdet i tabellen ovan. Störst skillnad mellan medelvärde och median är under år 2010 där medelvärdet är 35 % och medianen på 5 %.

Till skillnad från figur 1 och tabell 6 visar diagrammet nedan på antalet observerade nedskrivningar av goodwill, i stället för andelen nedskrivning, som observationerna i urvalet gjort under åren 2006 till 2013, vilket ligger till grund för studiens beroende variabel och för studiens hypotesprövning. Diagrammet nedan integrerar även antalet observationer med de förklarande variablerna stålbad och vinstutjämning utifrån vald

45 operationalisering av respektive begrepp vilka används till besvarande av hypotes 2 och hypotes 3.

Figur 2 – Antalet nedskrivningar av goodwill, stålbad och vinstutjämning.

Vad statistiken visar är att antalet observerade nedskrivningar är relativt jämnt fördelade över åren med undantag för en ökning under räkenskapsåren 2009 till 2010. Totalt antal observerade nedskrivningar över samtliga år är 157 med ett medelvärde på 20 stycken företag med redovisad nedskrivningskostnad per år. Således ligger antalet nedskrivningar för åren 2009-2010 samt år 2012-2013 över genomsnittet, men mer markant för de förstnämnda åren. Baserat på vald operationalisering av stålbad och vinstutjämning förekommer detta 254 respektive 325 gånger över hela mätperioden.

Genomsnittet per år för stålbad är 32 stycken samt 41 stycken för vinstutjämning.

Stålbad och vinstutjämning är inte markant störst under samma tidsperiod som antalet nedskrivningar, 2009-2010, utan fluktuerar under urvalsperioden i stor utsträckning.

Totala antalet observationer som operationaliserats med stålbad uppgår till 254 stycken utifrån figur 2, vilket motsvarar 20,2 % av samtliga observationer (n = 1260). Det totala antalet observationer som istället operationaliserats med vinstutjämning är 325 vilket motsvarar 25,8 % av samtliga observationer. Därmed, med utgångspunkt från studiens datamaterial, tenderar en femtedel (fjärdedel) av företagen bland dessa observationer (n = 1260) att utöva resultatmanipulerande redovisningsåtgärder i form av stålbad (vinstutjämning).

0 10 20 30 40 50 60

2006 2007 2008 2009 2010 2011 2012 2013 Nedskrivning goodwill 13 13 20 26 24 19 21 21

Stålbad 13 17 32 45 27 34 49 37

Vinstutjämning 38 45 33 31 54 52 30 42 Nedskrivning

goodwill

Stålbad

Vinstutjämning

46 5.2 STATISTISKA TESTER

Nedan följer de tester som utförts för att bepröva hypoteserna, besvara frågeställningen samt följa studiens syften och epistemologiska synsätt. Inledningsvis presenteras en korrelationsmatris för att säkerställa att förklarande variabler och kontrollvariabler inte korrelerar och därmed undvika multikollinjäritet.

Tabell 7 - Korrelation mellan beroende och förklarande variabler

Pearson Korrelation 1 2 3 4 5 6 7 8 9 10

1 ^GWN ^1,000

2 ^MB -0,092 1,000

3 ^GWA 0,156 -0,106 1,000

4 ∆OMSÄTT -0,098 0,181 0,001 1,000

5 ^ROA -0,033 0,131 0,062 0,001 1,000

6 ^STÅLB 0,082 -0,050 -0,073 -0,097 0,136 1,000

7 ^VINSTUT -0,097 0,094 -0,002 0,321 -0,278 -0,114 1,000

8 ^FK 0,011 -0,086 -0,054 0,003 0,046 -0,007 -0,027 1,000

9 ^STORLEK 0,082 -0,050 -0,073 -0,097 0,136 -0,024 -0,114 -0,007 1,000

10 ^SKULDSÄTT 0,013 0,084 0,014 0,049 0,008 -0,044 0,033 0,011 -0,044 1,000

I korrelationsschemat ovan framgår hur samtliga variabler, beroende som förklarande, korrelerar med varandra. Gällande branschvariablerna så är dessa inte integrerade i korrelationstabellen eftersom observationerna endast kan operationaliseras med en bransch per observation och därmed kan dessa variabler inte korrelera med varandra.

Utifrån den fastställt accepterade nivån för korrelation som beskrivits i vår praktiska metod, -0,5 till 0,5, så är datamaterialet således acceptabelt med högsta korrelation observerad lika med -0,296.

Nedan följer de regressioner som används för att testa H1-H4. När beroendevariabeln endast kan anta två värden, vilket är fallet i test av H1-H4 (1, 0), används binär (logistisk) regression. Testerna är utformade för att inledningsvis testa endast H1, sedermera test av H2-H4 i samma regression och avslutningsvis test av samtliga hypoteser inklusive kontrollvariabler.

Tabell 8 - Test av H1, företagsekonomiska variabler, (n = 1260)

Förväntat

utfall Koefficient S.E. p-värde Empiriskt utfall

-

) ^-0,891 0,502 0,076* (

-

)

Constant -2,134 0,195 0,000

*** Signifikans på 1 % ** Signifikans på 5 % * Signifikans på 10 %

För att testa H1 användes en binär regression med M/B-värde, andel goodwill i relation till totala tillgångar, förändring omsättning i relation till totala tillgångar samt

47 räntabilitet på totala tillgångar. Modellen ser då ut enligt följande;

Gällande p-värdet är detta signifikant på 1 %, 5 % samt 10 % vilket menas med att vi kan säga till 99 %, 95 % och 90 % säkerhet att effekten av regressionen inte är föranledd av slumpmässig variation i datamaterialet.

Givet att riktningskoefficienten är negativ har den förklarande variabeln negativ effekt på den beroende variabeln, exempelvis har variabeln M/B en negativ koefficient på –0,137. M/B har en signifikansnivå på 5 % (p-värde 0,039).

Variabeln ∆OMSÄTT har, i det inledande testet, på samma sätt som variabeln M/B ett negativt samband till den beroende variabeln med signifikansnivå på 1 %. Samtidigt har variabeln ROA ett negativt samband till den beroende variabeln med 10 % signifikansnivå.

Som tabellen för test av H1 visar så är den enda variabeln med en positiv riktningskoefficient på 2,421 andel goodwill av totala tillgångar (GWA) Riktningskoefficienten är under signifikansnivån på 1 % vilket innebär att den med mer än 99 % säkerhet visar att koefficienten inte beror på slump i urvalet.

Tabell 9 - Test av H2 - H4, stålbad, vinstutjämning och finanskris, (n = 1260)

Förväntat

utfall Koefficient S.E. p-värde Empiriskt utfall

STÅLB (

-

) ^-5,251 0,698 < 0,001*** (

-

)

VINSTUT (+) ^-0,353 0,723 0,625 (

-

)

FK (+) ^0,256 0,195 0,190 (+)

Constant ^-2,282 0,119 0,000

*** Signifikans på 1 % ** Signifikans på 5 % * Signifikans på 10 %

Vid ett första test av H2, H3 och H4 i samma regressionsmodell visar resultatet på ett negativt samband mellan beroendevariabeln nedskrivning av goodwill (GWN) och förklarande variabeln vinstutjämning (VINSTUT) (H3) eftersom koefficienten för sambandet är negativt på -0,353 där signifikansnivån för VINSTUT hamnar på över 10 %. Test av H2 visar också på ett negativt samband mellan beroendevariabeln och den förklarande variabeln stålbad (STÅLB) där riktningskoefficienten är -5,251.

Riktningskoefficienten för den förklarande variabeln stålbad har ett p-värde som understiger signifikansnivån på 1 % och därmed är det till 99 % säkerhet att koefficienten inte beror på slump i urvalet.

Riktningskoefficienten för H4 och den förklarande variabeln finanskrisen (FK) är positivt lutande med värde 0,256. Däremot visar sambandet mellan den beroende variabeln och den förklarande variabeln på en signifikansnivå som överstiger 10 % vilket resulterar i att studien inte med säkerhet kan påvisa att sambandet inte beror på slump i urvalet.

För att undvika ett spuriöst samband och för att påvisa de oberoende variablernas samband är samtliga förklarande variabler, inklusive kontrollvariablerna STORLEK, SKULDSÄTT och BRANSCH, integrerade i en slutgiltig binär regression.

48 Tabell 10 - Test av samtliga variabler inkl kontrollvariabler, (n=1260)

Förväntat

utfall Koefficient S.E. p-värde Empiriskt utfall

M/B (

-

) ^-0,091 0,072 0,208 (

-

)

-

)

BRANSCH DATA (?) 0,199 0,319 0,532 (?)

BRANSCH PARTIHANDEL _(?) _-1,241 0,409 0,002*** (

-

) BRANSCH BANK & FINANS (?) -0,154 0,383 0,688 (?) BRANSCH UTB & FORSKN. _(?) -0,965 0,698 0,167 (?) BRANSCH JURIDIK & EK. (?) 1,156 0,473 0,015** (+) BRASCH BYGG & INRED (?) 0,556 0,439 0,205 (?)

BRANSCH B2B _(?) -0,593 0,547 0,278 (?)

BRANSCH ÖVRIGT (?) 0,316 0,210 0,132 (?)

Constant _-8,429 0,970 0,000

*** Signifikans på 1 % ** Signifikans på 5 % * Signifikans på 10 %

Den förklarande variabeln GWA som visade på ett positivt samband i tidigare tester, har vid integrering av samtliga variabler visat på en ökning av riktningskoefficienten samtidigt som den förklarande variabeln STÅLB, som visade på ett negativt samband i tidigare tester, minskat riktningskoefficienten vid integrering. Dessa variabler har fortfarande en signifikansnivå under 1 % vilket ger indikationer på att ett positivt respektive negativt samband med stor säkerhet existerar mellan dessa variabler och nedskrivning av goodwill, GWN. Den förklarande variabeln FK visar fortfarande på ett positivt samband men med en signifikansnivå över 10 % och därmed kan inget samband med säkerhet fastställas.

Gällande test av H1 i det slutgiltiga testet visar de förklarande variablerna M/B och

∆OMSÄTT, till skillnad från det första testet i tabell 8, inget samband till den beroende variabeln (GWN) eftersom de har en signifikansnivå som överstiger 10 %. Däremot har variabeln ROA blivit mer signifikant med nuvarande signifikansnivå under 1 % till skillnad från det tidigare på 10 % vilket indikerar på att det första testet innefattade spuriöst samband mellan de företagsekonomiska variablerna.

Variabeln VINSTUT (H3) visar på ett större negativt samband i den slutgiltiga binära regressionen än i det första testet (tabell 9) där riktningskoefficienten, -2,516, har en signifikansnivå strax över 1 % vilket implicerar att det är nästan 99 % säkerhet att riktningskoefficienten inte beror på slump i urvalet. På liknande sätt som ROA i stycket

49 ovan, finns indikationer på att det första testet innehåller ett spuriöst samband mellan variablerna som används i test av H2-H4.

För att påvisa att inte det slutgiltiga testet visar på ett spuriöst samband är kontrollvariabler integrerade i den binära regressionen. Som tabell 10 visar så ändras inte effekten och sambandet mellan de förklarande variablerna när kontrollvariablerna integreras, förutom M/B och ∆OMSÄTT som ändrar från signifikans till icke signifikans.

Variabeln VINSTUT ändras från icke signifikant till signifikant på nära 1 % men korrelationen, se tabell 6, visar på låg korrelation mellan vinstutjämning, stålbad och finanskris, vilket interpreteras som ett icke spuriöst samband.

Kontrollvariabeln STORLEK har en positiv lutande riktningskoefficient med värde 0,393 och en signifikansnivå under 1 % och därmed beror riktningskoefficienten med 99 % säkerhet inte på slump i urvalet och ett positivt samband kan fastställas till den beroende variabeln, GWN. SKULDSÄTT visar på ett positivt samband men med en signifikansnivå över 10 % vilket implicerar på låg säkerhet att sambandet inte beror på slump i urvalet. Den bransch som har en positiv riktningskoefficient, därmed ett positivt samband till nedskrivning av goodwill, med en signifikansnivå nära 1 %, är ekonomi- och juridikbranschen. Branscherna tillverkning och partihandel tenderar att ha ett negativt samband till den beroende variabeln med en signifikansnivå under 1 %.

Resterande branscher kan inte med säkerhet fastställas inneha ett samband med nedskrivning av goodwill.

Med anledning av att ROA konstaterat har en signifikant inverkan på nedskrivning av goodwill, så valde vi att kontrollera hur detta nyckeltal förändrats över vår för studien valda tidsram, beräknat som medelvärde och median för samtliga värden under respektive urvalsår, se tabell 11 nedan.

Tabell 11 – Median och medelvärde för ROA och ∆OMSÄTT per urvalsår

Räntabilitet på totala tillgångar [ROA]

År 2013 2012 2011 2010 2009 2008 2007 2006

Medelvärde 3,25 % 5,04 % 2,98 % 2,52 % 3,75 % 8,87 % 8,46 % 6,80 % Median 5,84 % 7,41 % 6,89 % 5,59 % 7,41 % 10,12 % 10,20 % 8,90 %

Förändring omsättning i relation till totala tillgångar [∆OMSÄTT]

Medelvärde 1,01 % 7,33 % 12,78 % 8,22 % – 5,24 % 14,06 % 20,51 % 25,01 % Median 0,59 % 2,69 % 6,65 % 4,24 % – 3,93 % 8,58 % 10,25 % 16,50 % Som tabell 11 visar så minskar ROA avsevärt under år 2009, efter att ha varit på sin högsta nivå för mätperioden under år 2008 på 8,87 %. Även ∆OMSÄTT förändras markant negativt från år 2008 till 2009, och förblir i likhet med ROA på en lägre nivå under följande år. Även om omsättning i våra statistiska tester inte påvisats som signifikant så tillhandahåller detta ändå en indikation på hur försäljningsvariansen sett ut under studiens år.

För att testa om ovanstående variabler även har en effekt på storleken på nedskrivningen så har en multipel regression gjorts med STORLEK GWN som beroende variabel enligt följande modell:

Där:

= Naturlig logaritm av företag i’s

redovisade nedskrivning av goodwill år t-1.

I denna modell är resterande variabler, förutom storleken på nedskrivningen av goodwill (STORLEK GWN), operationaliserade på samma sätt som i den binära regressionen. Följande regression består endast av de observationer som redovisat nedskrivning av goodwill under urvalsperioden 2006-2013 (n = 157).

Tabell 12 – Storlek nedskrivning multipel linjär regression, (n=157)

Koefficient t-värde p-värde Kollinearitet

Tolerans VIF

M/B -0,053 -0,381 0,704 0,833 1,200

GWA 2,193 1,983 0,049** 0,636 1,572

ΔOMSÄTT 0,123 0,164 0,870 0,851 1,175

ROA 4,040 2,207 0,029** 0,325 3,076

STÅLB -2,095 -1,893 0,060* 0,611 1,638

VINSTUT 2,796 1,303 0,195 0,400 2,502

FK -0,287 -0,734 0,464 0,899 1,113

SKULDSÄTT -1,365 -1,159 0,248 0,607 1,647

BRANSCH TILLVERK. 0,445 0,731 0,466 0,637 1,570

BRANSCH DATA 0,056 0,702 0,483 1,000 1,000

BRANSCH PARTIHANDEL -1,030 -1,298 0,196 0,758 1,319 BRANSCH BANK & FIN. 0,226 0,341 0,733 0,637 1,570 BRANSCH UTB & FORSK. 0,062 0,057 0,955 0,654 1,528 BRANSCH JURIDIK & EK. -0,301 -0,381 0,704 0,765 1,307 BRASCH BYGG & INRED 1,002 1,153 0,251 0,578 1,731

BRANSCH B2B 1,020 0,967 0,335 0,828 1,207

BRANSCH ÖVRIGT 0,950 1,727 0,086* 0,554 1,804

Koefficient p-värde F F Sig. (R2adj) Justerad

förklaringsgrad

Constant 9,906 0,000 1,629 0,069 0,157

*** Signifikans på 1 % ** Signifikans på 5 % * Signifikans på 10 %

Som tabell 12 ovan visar finner den multipla regressionen signifikanta samband mellan storlek på nedskrivning av goodwill (STORLEK GWN) och de förklarande variablerna GWA, ROA samt STÅLB där signifikansnivån är nära 5 %, till vilket kan härledas att riktningskoefficienten med 94 % säkerhet inte beror på slump i urvalet. Till skillnad från den slutgiltiga binära regressionen (n = 1260), se tabell 10, så har ROA i den multipla regressionen (n = 157) en positiv riktningskoefficient (p-värde 0,029), alltså är

51 det 95 % säkerhet att STORLEK GWN tenderar att öka när ROA ökar. De förklarande variablerna GWA och STÅLB har däremot samma lutning på riktningskoefficienterna i såväl den binära, som den multipla regressionen.

Resterande förklarande variabler och kontrollvariabler har en signifikansnivå för riktningskoefficienten på över 10 % och därför kan ingen säkerhet fastställas att riktningskoefficienterna inte beror på slump i urvalet. Sannolikt beror skillnaden mellan resultaten från den multipla regressionen och de binära regressionerna på att antalet observationer i modellerna är starkt differentierade (157 observationer respektive hela urvalet på 1260 observationer).

Den justerade förklaringsgraden (R2adj) används istället för (R2) med hänsyn till antalet förklarande variabler i den multipla regressionen. R2adj är 0,157 vilken implicerar att den multipla regressionen förklarar till 15,7 % variansen i datamaterialet.

Den multipla regressionens F-test har som nollhypotes att de förklarande variablerna inklusive kontrollvariabler och den beroende variabeln inte har ett linjärt samband och att R2adj då ska vara ekvivalent med 0. Värdet av F-testet i den multipla regressionen är 1,629, med en signifikansnivå under 10 %, vilket är ett relativt lågt F-värde men tillräckligt högt för att göra antagandet att det existerar ett linjärt samband mellan de förklarande variablerna och beroendevariabeln (STORLEK GWN).

6. ANALYS

I detta kapitel analyseras de empiriska resultaten och sammankopplas med den teoretiska referensramen. Vid besvarande av studiens problemformulering och hypoteser läggs stor vikt vid att jämföra resultaten från denna studie med tidigare forskning, vilket samspelar med studiens deduktiva angreppssätt presenterade i kapitel 2. Uppbyggnaden för analysen är inledningsvis en översikt gällande operationalisering

mellan tidigare forskning följt av analys för respektive hypotes, H1 – H4 enligt kapitel 3.8.

Som tidigare nämnt analyserar Francis et al. (1996), Van de Poel et al. (2009) och AbuGhazaleh et al. (2011) resultatmanipulerande åtgärder som stålbad och vinstutjämning i kontexten nedskrivning av goodwill, samt att Riedl (2004) analyserar motsvarande gällande nedskrivning av anläggningstillgångar. Tabell 13 nedan behandlar de utgångspunkter som dessa studier tillämpat.

Urvalsperiod 1988-1992 1992-1998 2005-2006 2005-2006

Urval (antal) 674 2574 2262 528 Riedl (2004) använt företag från USA som redovisar enligt regelverket US GAAP. De senare studierna av Van de Poel et al. (2009) och AbuGhazaleh et al. (2011) använde företag inom EU respektive inom Storbritannien i urvalet, och redovisar därmed obligatoriskt sedan år 2005 enligt IFRS. Utifrån vad som diskuterats i kapitel 3 gällande

”Redovisning av goodwill” finns det i IFRS utrymme för ledningens subjektiva antaganden och bedömningar gällande återvinningsvärdet eller det verkliga värdet för goodwill. Därför har Van de Poel et al. (2009) och AbuGhazaleh et al. (2011) valt urvalsperioden 2005-2006, eftersom IFRS år 2005 blir obligatoriskt för de företag som tidigare inte redovisade enligt denna standard, för att undersöka om ledningens

In document Nedskrivning av goodwill: Reella företagsekonomiska omständigheter, som verktyg för resultatmanipulering eller påverkad av finanskrisen? (Page 46-82)